솔루션 가이드

[MCP7탄] 글로벌 기업의 Mixpanel MCP AI 사용 사례 6건을 소개합니다

2026-05-22

by.

Nicky(강보라)

Example H2

Example H3

한국 PM·DA들과 일하면서 가장 자주 듣는 한 줄이 있어요.

‍
"데이터팀에 요청하면 빨라야 이틀, 보통은 일주일 걸려요."

사실 이 병목은 데이터가 없어서 생기는 문제가 아니에요. 데이터는 이미 충분히 쌓여 있어요.
문제는 그 데이터에 접근하고 분석하는 과정 사이에 항상 사람이 끼어 있다는 점이죠.
그 사람이 전문가든 아니든, 자리에 없거나 다른 업무에 묶여 있는 순간 회사 전체의 의사결정 속도도 함께 느려집니다.

Mixpanel이 4월에 공개한 MCP 고객 사례 글을 읽으면서,
이 문제가 한국 조직만의 고민은 아니라는 걸 다시 느꼈어요.

본사에서 소개한 6개 글로벌 기업 사례를 보면,
회사 규모도 산업도 모두 달랐지만 공통적으로 같은 분석 병목을 겪고 있었고,
각 조직은 Mixpanel MCP를 활용해 저마다 다른 방식으로 그 문제를 해결해나가고 있었습니다.

이번 글에서는 그 6개 사례를 함께 살펴보려고 해요.
글로벌 기업들은 AI 기반 데이터 분석 환경을 어떻게 만들고 있는지,
그리고 한국 조직은 어디까지 따라갈 수 있을지 함께 이야기해보겠습니다.

ℹ️ 이 글은 마켓핏랩의 Mixpanel MCP 시리즈 7편이에요. MCP가 무엇인지 궁금하시다면 시리즈 1편부터 읽어보세요.
AI 분석 거버넌스가 중요한 이유는 시리즈 6편에 정리되어 있어요.

1. 진짜 분석 병목은 데이터가 아니라 사람

“데이터가 어디에 있냐고 물으면 모두가 ‘Mixpanel 보세요’라고 말해요.
그런데 그 안에서 얼마나 빠르게 의사결정에 필요한 답을 얻을 수 있냐고 물으면, 다들 조용해지죠.”
— Mixpanel 본사 블로그

답변이 느려지고 복잡해지는 이유는 결국 사람 때문이에요.

분석 쿼리를 짤 줄 아는 사람, 이벤트와 지표 정의를 이해하는 사람,
혹은 단순히 Mixpanel UI에 익숙한 사람. 결국 누군가의 도움을 거쳐야만 데이터를 읽을 수 있는 구조가 되는 순간,
그 사람의 시간과 리소스가 회사 전체 의사결정 속도의 상한선이 됩니다.

Mixpanel 본사도 이 문제를 아주 명확하게 정의했어요.

“이건 데이터 문제가 아니에요. 데이터 접근의 문제예요.
그리고 Mixpanel MCP가 해결하려는 것도 바로 그 문제입니다.”

흥미로운 건, 이 문장이 특정 산업군 이야기만은 아니라는 점이에요.
본사에서 소개한 6개 글로벌 기업 사례를 보면
회사 규모도, 산업도, 제품도 모두 달랐지만 출발점은 놀라울 정도로 비슷했어요.

“데이터는 이미 충분히 있는데, 원하는 답을 얻는 속도가 너무 느리다.”

그리고 이 병목을 해결하기 위해 각 조직은 Mixpanel MCP를 자신들의 방식으로 활용하기 시작했습니다.

사례 1 — Ditto (11명 헬스케어 스타트업의 슬랙봇)

네덜란드의 헬스케어 스타트업 Ditto는 11명 규모의 작은 헬스케어 기업이예요.
의사와 나눈 진료 대화나 어려운 의학 문서를 환자가 이해하기 쉬운 언어로 요약해 주는 AI 환자 지원 플랫폼이죠.

Ditto는 매주 5%씩 성장할 정도로 빠르게 커지고 있었어요.
그런데 정작 내부에서는 한 가지 병목이 있었어요. Mixpanel에 데이터는 잘 쌓이고 있었지만,
실제로 그 데이터를 볼 줄 아는 사람이 그로스 리드인 Niek Schreurs 한 명뿐이었다는 점이에요.

팀에서 이런 질문이 계속 들어왔어요.

“지난주 Activation Rate 어땠어요?”
“이번 기능 출시 영향 있었나요?”
“전환율 떨어진 이유 뭔가요?”

그때마다 Niek은 직접 Mixpanel을 열고, 분석을 돌리고, Jira 티켓을 확인하고,
출시 전후 데이터를 비교한 뒤 Slack에 결과를 정리해서 공유해야 했어요.
기능 하나를 분석하는 데만 평균 45분이 걸렸죠.

문제는 여기서 끝나지 않았어요.
업무가 몰리면 영향 분석 자체가 뒤로 밀리거나, 아예 생략되는 경우도 많았거든요.
그래서 Niek은 MCP를 활용해 Slack 기반 분석 봇 2개를 만들었습니다.

그래서 Niek은 MCP를 활영해 슬랙봇 두 개를 만들었어요.

Porygon — 자연어 분석 질문에 답하는 봇이에요.
누구나 "지난주 활성화율(Activation Rate) 어땠어?"
같은 질문을 슬랙에 던지면, 데이터를 조회해 답이 몇 초 안에 나와요.
다운스트림 지표가 실제로 따라왔는지,
아니면 채널 믹스 변화로 보이는 건지 자동 인과 체크까지 해줘요.

Gengar — 기능 출시 후 7일이 지나면 자동으로 작동하는 봇이에요.
새 기능이 배포되고 7일이 지나면 Jira 티켓을 가져와 컨텍스트를 잡고,
Mixpanel에서 출시 전후 데이터를 비교하고, 슬랙에 결론을 올려요.
사람이 요청하지 않아도 알아서 기능하죠.

"팀 대부분이 외면하던 분석 플랫폼이 이제 모두가 슬랙에서 함께 쓰는기능으로 바뀌었어요.
Mixpanel을 한 번도 안 열어본 사람도 봇과 대화해서 인사이트를 얻을 수 있어요."
— Niek Schreurs, Growth Lead @ Ditto

이 사례가 흥미로운 이유는 단순히 “AI 분석 자동화” 때문이 아니에요.

11명 규모의 작은 스타트업에서도, 분석을 특정 사람의 업무가 아니라 팀 전체의 공용 인터페이스로 바꿀 수 있다는 걸 보여준 사례에 가깝거든요.

사례 2 — DANA Indonesia (동남아 최대 핀테크회사의 분석, 에러 에이전트)

Ditto와는 규모가 완전히 다른 동남아 최대 핀테크 회사 DANA에서도 비슷한 병목이 일어났어요.

DANA Indonesia는 동남아 최대 규모의 디지털 결제 플랫폼이에요. 사용자 규모도 크고, 엔지니어링 리소스도 충분한 조직이죠.
여기도 마찬가지로 Mixpanel 쿼리는 도메인 전문가인 Data Analyst가 담당하고 있었어요.
데이터가 필요하거나 의사 결정이 필요하면 DA를 찾고 기다려야 했죠. 프론트엔드 엔지니어링 헤드 Ricardo Suranta는 이 상황을 이렇게 정리했어요.

“DA의 가용 시간이 곧 모두의 분석 가용성이 됐어요. 그 자체가 병목이었죠.”

DANA 팀은 이 문제를 해결하기 위해 MCP 위에 두 개의 AI 에이전트를 구축했어요.

Mixpanel Agent — 자연어로 질문하면 데이터를 탐색해주는 메인 에이전트예요.
MCP와 Mixpanel API를 연결해 데이터 이슈를 여러 관점에서 분석하고,
단일 도구만으로는 보기 어려운 맥락까지 함께 보여줘요.

Error Master Agent — 에러·버그·장애 이슈의 우선순위를 정하는 트리아지(Triage)에 특화된 에이전트예요.
MCP로 에러 추이를 분석하고 Notion 지식 베이스와 연결해, 어떤 문제인지부터 근본 원인과 담당 오너십까지 한 번에 정리해줘요.

“이제 누구나 자연어로 Mixpanel 데이터를 조회할 수 있어요. 채팅 안에서 바로요.
대기도 없고, 분석 병목도 없고, 도메인 오너에 대한 의존도도 사라졌어요.”

흥미로운 건 같은 회사 안에서도 VP 레벨이 비슷한 문제를 다른 형태로 겪고 있었다는 점이에요.
엔지니어링 VP Randi Waranugraha는 대시보드 수동 열기 → 스프레드시트로 내보내기 → 리포트 다시 만들기라는 반복 작업이 매번하고 있고,
앱스토어 평점이 떨어지면 그 원인을 찾기 위해 전문 엔지니어와 PM팀이 몇 시간씩 씨름해야 했죠.

하지만 MCP 도입 후에는 에이전트가 트렌드를 분석하고, 사용자 여정을 재구성하고, 내부 문서를 크로스 체크해서 잠재적 근본 원인을 자동으로 도출해요.

“예전에는 대시보드를 뒤지느라 몇 시간을 썼어요. 이제는 질문 하나만 던지면 사용자 영향부터 근본 원인까지 전체 스토리를 몇 분 안에 받아볼 수 있어요.”

같은 회사, 다른 직급, 같은 분석 병목, 다른 해법. 접근 제약을 줄이자 조직 전체가 다르게 움직이기 시작해요.

사례 3 — SKIO Music (자동화 에이전트)

앞선 사례들이 “자연어로 더 빠르게 분석 결과를 받아보는 단계”였다면, SKIO Music은 여기서 한 단계 더 나아간 사례예요.

음악 테크 회사 SKIO Music의 Zohar Amouyal은 MCP 위에 무려 AI 에이전트 8개를 구축했어요.
각 에이전트는 이탈 모니터링, 결제 트렌드 감지, 신규 사용자 활성화처럼 역할이 나뉘어 있고,
사람이 요청하지 않아도 24시간 자동으로 데이터를 분석합니다.

실제로 어느 날 새벽 5시 30분, 한 에이전트가 정기 데이터 체크를 돌리다가
월 이탈률이 16%에 가까워졌다는 걸 발견했어요.
SaaS 업계 평균 대비 약 3배 수준이었죠.

이 에이전트는 직원들이 출근하기 전 코호트 데이터를 끌어오고, 고객 지원 티켓 양과 크로스 체크해,
‍결제단계의 문제가 이탈의 40% 이상을 만들고 있다는 인사이트를 도출했어요.

“가장 큰 변화는 AI 에이전트들이 이제 시니어 분석가 수준의 데이터 리터러시를 갖게 됐다는 점이에요.”

이 사례가 흥미로운 이유는 단순히 “분석 속도가 빨라졌다” 수준이 아니기 때문이에요.

이 단계에서는 더 이상 사람이 질문하고 AI가 답하는 구조가 아니에요. 오히려 AI가 먼저 이상 징후를 발견하고, 문제를 탐색하고, 사람이 아직 묻지 않은 질문까지 먼저 표면화하기 시작한 거죠.

즉, 분석 병목을 푼다는 건 단순히 기존 질문에 더 빨리 답하는 문제가 아니라,“조직이 이전에는 발견조차 못 했던 문제를 먼저 찾아내는 단계”로 넘어가는 것에 가까워지고 있어요.

사례 4 — Graffiti (B2B SaaS, MCP를 고객사가 쓰는 제품 기능으로)

Graffiti의 Said Hadjiat는 MCP를 내부 워크플로가 아니라 아예 제품 기능으로 만들었어요.

Graffiti는 대형 소비재 브랜드 매니저들이 사용하는 B2B SaaS예요.
중요한 건 이 사용자들이 데이터 분석가가 아니라는 점이에요.
브랜드 매니저들은 Mixpanel UI를 배우고 싶어하지 않아요. 로그인해서 퍼널이나 세그먼트를 직접 만들고 싶은 것도 아니고요. 그냥 “왜 매출이 떨어졌는지”, “어디서 전환이 막히는지” 같은 답을 빠르게 알고 싶을 뿐이죠.

그래서 Graffiti는 MCP를 통해 자사 챗봇과 Mixpanel을 연결했어요.

사용자가 채팅창에 자연어로 질문하면, MCP가 중간에서 통역사 역할을 합니다.
세그먼트·퍼널·코호트 같은 복잡한 쿼리도 챗봇 뒤에서 알아서 돌아가요.
챗봇은 그 질문을 기반으로 Mixpanel에서 필요한 데이터를 조회하고, 결과를 다시 자연어로 정리해줘요.

Said는 브랜드 매니저들의 기존 업무 흐름을 이렇게 설명했어요.

“예전에는 특정 유통 체인에서 스캔율이 왜 떨어졌는지 알아보려면 과정이 굉장히 복잡했어요.
데이터팀에 요청하고, 누군가 Mixpanel에서 쿼리를 만들기를 기다리고, 스크린샷이나 익스포트를 받아보고, 다시 후속 질문하고….
단순한 조사 하나에도 두 팀 사이에서 하루 이상이 걸렸죠.
이제는 브랜드 매니저가 ‘지난 3개월간 까르푸 vs 인터마르셰의 스캔→채팅 전환율 비교해줘’라고 챗봇에 입력하면, 몇 초 안에 정리된 답을 받을 수 있어요.”

이 사례에서 특히 흥미로운 건 MCP가 엔지니어링 복잡도 자체도 크게 줄였다는 점이에요.

"MCP 전에는 두 가지 옵션이 있었어요.
1. Mixpanel 대시보드로 사용자를 보내거나 (별도 자격증명, 별도 트레이닝 필요)
2.Mixpanel REST API로 자체 통합 빌드하거나 (세그멘테이션·퍼널·코호트 필터링·쿼리 빌딩 복잡성을 수동으로 처리)

그런데 MCP 서버를 쓰니까, 자연어 질문을 단일 엔드포인트로 보내서 Mixpanel 쿼리 엔진 전체를 다시 구현하지 않고 사용할 수 있어요."

그리고 이 사례의 진짜 흥미로운 지점은 변화의 반응이 Graffiti 내부가 아니라 고객사에서 먼저 나왔다는 점이에요.
실제로 Bioderma라는 고객사는 이 챗봇 기능을 본 뒤, 내부 경영진 대상으로 별도 프레젠테이션까지 진행했다고 해요. 이미 운영 중인 기능을 우리도 이렇게 써야 한다 며 사내 전파한 것이죠.

사례 5 — Spritz Finance (로드맵 결정 도구로서 MCP 사용)

Spritz Finance의 Maria Sirotkina는 MCP를 자동화 에이전트나 내장 챗봇이 제품 로드맵을 더 잘 만들기 위한 도구로 사용해요.

예전에도 팀은 Mixpanel 데이터를 보며 사용자 행동 패턴을 분석하고 가설을 세웠어요.
문제는 그 가설을 검증할 만큼의 데이터를 충분히 모으는 데 시간이 너무 오래 걸렸다는 점이었죠.

결국 결정 속도보다 데이터 수집 속도가 더 느리면, 조직은 다시 직감과 경험에 의존하게 돼요.

MCP는 바로 그 흐름을 바꿨어요.

MCP가 결국 느낌으로 결정하는 그 흐름을 바꿨어요.

“예전에는 사용자 행동 패턴을 보고 가설을 세우는 수준이었다면, 이제는 필요한 데이터 포인트를 빠르게 가져와서 더 완성도 있는 스토리를 만들 수 있어요.
덕분에 훨씬 자신감 있게 우선순위를 결정하게 됐죠.

Maria가 소개한 사례 중 하나는 전환율이 갑자기 급등했는데도 아무도 이유를 설명하지 못했던 상황이었어요.
팀은 처음엔 캠페인 영향인지, 제품 개선 때문인지, 특정 기능 변화 때문인지 감을 잡지 못했죠.

그런데 MCP로 빠르게 데이터를 탐색해보니, 특정 국가에서 신규 사용자 유입이 급증하고 있었다는 걸 발견했어요.
사람이 며칠 동안 뒤져야 찾을 수 있었던 원인을 MCP가 훨씬 빠르게 표면화한 거죠.

이 사례의 핵심은 단순히 “데이터를 더 잘 본다”가 아니에요.
가설 검증의 속도와 비용 자체가 크게 줄어든다는 점에 가까워요.
더 좋은 질문이 결국 더 좋은 로드맵을 만들어요.

MCP는 그 핵심 질문들을, 중요한 사람들의 시간을 계속 소모하지 않고도 훨씬 빠르고 낮은 비용으로 던질 수 있게 해줘요.

사례 6 — Brainforge (분석 컨설팅사의 MCP 사용)

마지막 사례는 조금 다른 결의 이야기예요.
Brainforge의 AI 데이터 분석 컨설턴트 Greg Stoutenberg는 여러 기업을 컨설팅하면서, 조직마다 비슷한 분석 병목이 반복된다는 걸 계속 목격해왔어요.
Greg가 자주 하는 일 중 하나는 전략 로드맵을 만드는 작업이에요.
클라이언트가 우리 매출 어떻게 늘리지? 물으면, Greg가 데이터 보고 + 진단하고 + 어떤 액션 취해야 할지 정리한 컨설팅의 산출물을 만들죠.

최근 한 이커머스 클라이언트 프로젝트에서는 신규 사용자가 가입 후 첫 구매까지 이어지는 활성화 퍼널을 어떻게 개선할지 분석하는 로드맵을 만들어야 했어요.
Greg는 MCP를 Claude와 연결하고, Mixpanel 데이터와 외부 실험 문서를 함께 끌어와서 몇 분 안에 14장 짜리 로드맵을 완성했어요. 예전 같으면 하루의 절반은 걸렸을 작업이에요.

시간 단축도 인상적이지만, Greg의 말은 핵심을 짚고 있어요.

"사실 아무도 대시보드를 보고 싶어한 적이 없어요.그들이 진짜 원한 건 매출을 늘리는 것이에요."

이 말은 정말 중요해요.11명 규모의 헬스케어 스타트업도, 동남아 최대 핀테크 기업도,
24시간 자동 분석 에이전트를 돌리는 음악 테크 회사도,
제품 안에 MCP를 녹여 넣은 B2B SaaS도, 로드맵 의사결정을 개선하려는 PM도, 결국 목표는 같았어요.

누구도 “대시보드를 더 잘 쓰기 위해” MCP를 도입한 게 아니었어요.더 빠르게 움직이고,
더 좋은 질문을 던지고, 더 똑똑하게 의사결정하고, 더 좋은 제품과 결과를 만들기 위해 시작한 거죠.

MCP는 거창하게 새로운 데이터를 만드는 기술이라기보다, 이미 조직 안에 존재하던 데이터와 사람들이 진짜 원하는 답 사이의 거리를 줄여주는 역할에 가까워요.

잘하는 회사들의 공통 사용 패턴

규모도, 산업도, 활용 방식도 달랐던 6개 회사에는 몇 가지 공통점이 있었어요.

1. 시작은 모두 한 명의 분석 병목에서 출발했어요

11명 스타트업의 그로스 리드든, 핀테크 회사의 도메인 전문가든, 컨설팅 회사의 분석가든 결국 데이터 접근이 특정 사람에게 몰려 있었어요.
MCP는 그 병목을 조직 전체로 분산시키는 역할을 했죠.

2. 활용 방식은 회사마다 달랐지만, MCP로 워크플로우를 만들었어요

슬랙봇 (Ditto)
내부 에이전트 (DANA)
자동화 에이전트 (SKIO Music)
제품 기능 (Graffiti)
로드맵 도구 (Spritz Finance)
컨설팅 자산 (Brainforge)

3. 목표는 모두 조직 누구나 질문하고 자율적으로 움직이는 것이었어요

결국 이 회사들이 만들고 싶었던 건 누구나 질문할 수 있고, 누구나 데이터를 기반으로 움직일 수 있는 조직이었어요.
대기 시간도, 분석 병목도, 특정 사람 의존도도 줄어들었죠.
시니어가 답을 대신 내려주는 구조가 아니라, 누구나 스스로 질문하고 움직일 수 있는 환경이 만들어지기 시작한 거예요.

한국 조직은 어디까지 따라갈 수 있을까

이 6개 Mixpanel 활용 사례를 읽으면서 한국 조직에 적용할 수 있는 신호 몇 가지가 보였어요.
물론 그대로 따라가는 게 정답은 아니에요. 한국 조직에는 한국 조직의 컨텍스트가 있어요. 데이터 거버넌스 수준이 다르고, 팀 구조가 다르고, 의사결정 문화가 다르기 때문이죠.

중요한 건 “어떤 사례를 따라할까”보다, “우리 조직의 병목이 어디에 있는가”를 먼저 보는 것에 가까워요.